IA et Big Data : la révolution technologique 2.0

Pour répondre à ce besoin, l’IA est notamment exploitée pour optimiser les processus Big Data et améliorer le traitement de la donnée. Les experts Big Data estiment que l’impact de l’IA couplée au data analytics est comparable à celui de la généralisation d’internet.

Face à une telle annonce, il est naturel de s’interroger sur la valeur ajoutée de ces deux technologies et sur les contraintes qui les accompagnent.

L’IA : les machines intelligentes

L’IA est une technologie qui permet aux ordinateurs de simuler l’intelligence humaine grâce notamment au « machine learning ». Les algorithmes développés dans ce cadre donnent aux ordinateurs la capacité d’acquérir de nouvelles informations, de raisonner, et de s’autocorriger.

Les programmes de machine learning analysent des quantités astronomiques de données dans des intervalles restreints, et représentent ainsi l’une des branches majeures de l’IA que les entreprises cherchent à adopter et à intégrer dans leurs systèmes d’information. Le deep learning, dérivé du machine learning, est l’une des méthodes utilisées dans ce cadre. Elle s’inspire du réseau des neurones du cerveau humain et consiste en une démarche d’apprentissage dite par couches. Un exemple simple de deep learning est un algorithme qui apprend d’abord les lettres avant d’apprendre des mots entiers.

Ces programmes permettent aux applications de produire des résultats avec une meilleure précision et de réaliser des prédictions sans besoin de développement supplémentaire. Il est donc évident que la force du machine learning, et de l’IA plus généralement, réside dans sa capacité à traiter la donnée, d’où son lien étroit avec le Big Data.

Le Big Data et l’IA, deux technologies intimement liées

La donnée étant de plus en plus accessible, les entreprises se retrouvent aujourd’hui avec un stock de données non exploité. L’IA apporte une méthode de traitement de cette donnée afin de l’utiliser. En effet, cette innovation permet de trouver des corrélations et de tirer des tendances de certaines données dont la pertinence n’était pas identifiée au vu de la complexité de leur analyse.

La maturité croissante des technologies de machine learning ou de deep learning permettent une optimisation de l’analyse des données et une amélioration des résultats prédictifs. Les campagnes publicitaires se basant sur une large base de données des consommateurs est un exemple pertinent. Les stratégies de marketing se voient améliorées grâce à des profils consommateurs mieux définis et des tendances plus spécifiques.

Un second intérêt de l’IA pour le Big Data est l’automatisation de la prise de décision. Ceci permet aussi une augmentation de l’agilité et de la performance des processus. Dans ce contexte la valeur ajoutée de l’IA est d’extraire du sens des tendances obtenues par les algorithmes de Big Data et d’améliorer leur exploitation. D’après une étude réalisée par IBM, il existe cinq axes majeurs pour lesquelles l’IA apporte le plus de valeur ajoutée (Figure 1).

Il est vrai que la mise en place de ces solutions est une belle promesse notamment pour les secteurs du SI et de l’innovation, néanmoins la gestion humaine lors de l’implémentation et pendant les phases initiales reste indispensable. Il faut donc disposer de ressources nécessaires pour mener ce chantier.

Les challenges de la convergence IA/Big Data

Bien que les technologies de l’IA soient de plus en plus matures pour contribuer à une augmentation des performances du traitement de données, les entreprises rencontrent toujours certaines contraintes qui les empêchent d’adopter l’IA à grande échelle.

La principale difficulté à gérer est la sécurité et la gouvernance de la donnée. Au vu de la complexité des algorithmes de l’IA, la traçabilité de la donnée est un challenge à relever. De plus, la question de sécurité est critique, notamment à cause du transit de la donnée traitée par l’IA à travers plusieurs réseaux et bases de données.

Une autre contrainte identifiée par les experts est la puissance des processeurs et la nécessité d’avoir des super ordinateurs pour réaliser le nombre conséquent de calculs des algorithmes de l’IA. Ce frein technique s’accompagne d’un déficit de capital humain qualifié. En effet, le machine learning et deep learning étant multidisciplinaires, les sociétés ont besoin de ressources transverses et compétentes sur les technologies de l’IA.

L’IA couplée au Big Data annonce l’avènement d’une nouvelle ère technologique et met à disposition des entreprises des outils puissants et performants qui peuvent être utilisés pour innover et augmenter la rentabilité des traitements de données collectées. Néanmoins, et au-delà des difficultés techniques qui finiront par être dépassées, les sociétés devront faire face au risque éthique de l’adoption de l’IA à grande échelle et à la transformation des processus internes qui en découle.